基于 SAX 算法,本文提出了一种降维和形状识别方法,旨在解决物联网等应用中 SAX 算法的计算开销问题,通过降低维度空间的同时捕获和保留形状的最具代表性的特征,实验证明了这种方法在性能特性方面的优势。
May, 2024
该研究提出了一种满足可解释性要求的无监督神经表示方法,该方法在分类任务中比其他可解释方法表现更好,并且在多个数据集上得到了验证。
Oct, 2023
本文提出了一种新的核函数族,用于处理时间序列数据(尤其是语音数据),该方法借鉴了动态时间规整(Dynamic Time Warping)的基本操作,并采用动态规划技术来计算最优序列,该核函数是正定的,并且在语音识别任务中表现出令人鼓舞的结果。
Oct, 2006
我们扩展了 Symbolic Pattern Forest 算法,通过使用 Silhouette Coefficient 指标选择生成的聚类数量来确定时间序列数据集的最佳聚类数,实验结果显示显著改进。
本文介绍了一种基于傅里叶特征表示和深度学习方法的高斯过程模型,可以学习任意复杂度的非平稳协方差核直接从数据中,而不会过拟合,并且可以应用于时间序列和遥感等领域。
Nov, 2017
本文提出了一种通过定义与内核关联的统计假设的符号表示来定义内核 - 内核的方法,并在离散内核空间中搜索的新颖且高效的搜索方法。
Oct, 2022
该论文提出了一种称为 TDX 的方法,用于模拟和预测分布中逐渐单调变化的模式的密度,该方法基于扩展基础函数的权重,并使用等距对数比变换将其建模为随时间变化的组合数据的函数。通过对这些权重进行外推,可以获得外推密度估计。实验表明该方法对于捕捉单调漂移模式比现有方法更准确,并且只需要不超过相应静态密度估计方法 1.5 倍的运行时间。
Jun, 2019
本文介绍了一些核心拓展,以用于字符串或时间序列全局对齐基于局部对齐获得的得分。所提出的扩展可以从弹性距离的经典递归定义中构建递归编辑距离(或时间战争)核。分类实验表明,当训练数据获得的成对距离矩阵远非确定时,正定递归弹性核通常优于用于经典弹性距离的距离替换核。
May, 2010
本文提出使用深度聚类法作为符号知识提取的预处理方法以获得更好的性能,并讨论了基于超立方体输入空间区域的规则创建被分区可能导致次优解的情况。
Nov, 2022
提出了一种基于高斯过程适配器的不确定性感知分类框架,通过结构化内核插值框架和 Lanczos 逼近方法进行计算。
Jun, 2016